基于遥感与机器学习的Maharloo流域土壤侵蚀模式评估及早期预警信号研究

本研究创新性地融合遥感指数（NDVI、NDSI、TGSI）与机器学习模型（RF、SVM、BRT），通过Google Earth Engine平台和野外验证，精准揭示伊朗Maharloo流域土壤侵蚀时空动态。突破性发现TGSI（R2=0.86）等指数与实地数据高度契合，RF模型（AUC=0.89）成功识别中央及西部高风险区。2013年关键转折点与预警信号（自相关/方差/偏度）为侵蚀防治提供科学依据，凸显多技术融合在生态可持续管理中的前瞻价值。

　　

Highlight

通过遥感技术与机器学习的前沿融合，本研究为土壤侵蚀动力学提供了突破性见解。随机森林(RF)模型以0.89的AUC值展现出卓越预测性能，成功锁定流域中部及西部为高风险预警区。2013年关键转折点分析揭示了NDVI与NDSI的突变信号，自相关、方差和偏度等早期预警指标共同指向侵蚀风险的持续升级。空间趋势分析进一步证实湿地周边NDVI显著下降（Kendall's τ=0.69），而北部农田盐渍化(NDSI)加剧（τ=0.52），为精准实施生态干预提供了空间靶点。

Soil erosion modeling based on machine learning methods and selection of the most important indicators affecting soil erosion

基于机器学习方法的土壤侵蚀建模与关键指标遴选

表2揭示了遥感指数与实地侵蚀数据的相关性谱系，为模型构建奠定了科学基础。通过特征重要性排序，地形因子（海拔、坡度）、植被覆盖(NDVI)和土壤盐度(NDSI)被识别为驱动侵蚀的核心变量。随机森林(RF)模型以0.89的AUC值领跑性能榜单，支持向量机(SVM)和BRT分别获得0.85与0.83的AUC值。RF模型精准绘制的侵蚀风险地图显示，中央冲积平原与西部陡坡区呈现高风险聚集，而东部林地区则保持较低风险态势。

Discussion

讨论

土壤侵蚀作为半干旱生态系统的核心挑战，其多维影响正通过我们的多技术融合框架被重新解读。本研究首创将机器学习预警信号与遥感动态监测耦合，不仅证实了2013年作为流域生态转折点的历史意义（对应NDVI骤降与NDSI飙升），更揭示了湿地边缘与雨养农田的生态脆弱性本质。TGSI指数与地表颗粒组成的强关联性（R2=0.86）暗示了土壤结构退化可作为侵蚀先行指标，而机器学习赋予的空间预测能力使早期干预首次具备精准靶向性。值得注意的是，盐度加剧与植被退化形成的正反馈循环，可能引发不可逆的土地退化进程，这对全球类似生态系统的可持续管理具有警示意义。

Conclusion

结论

本研究通过NDVI、NDSI、TGSI遥感指数与RF、SVM、BRT机器学习模型的深度协同，构建了Maharloo流域土壤侵蚀评估的革命性框架。Google Earth Engine的云计算能力与R语言的统计严谨性，共同确保了从数据采集到模型验证的全链条可靠性。研究不仅证实中央平原与西部山麓为高风险核心区，更通过断点分析捕捉到2013年的生态临界点现象。早期预警信号（自相关/方差/偏度）的系统性漂移，为侵蚀进程提供了超前诊断工具。这些发现不仅强化了多源数据融合在环境监测中的权威地位，更为土地管理者提供了可执行的生态防御蓝图——从优先保护湿地缓冲带到推行盐渍化农田的适应性种植制度。